Параметрическая и структурная адаптация систем распознавания текстовых меток на видеоизображениях

Параметрическая и структурная адаптация систем распознавания текстовых меток на видеоизображениях

Автор: Воскресенский, Евгений Михайлович

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2010

Место защиты: Череповец

Количество страниц: 181 с. ил.

Артикул: 4749238

Автор: Воскресенский, Евгений Михайлович

Стоимость: 250 руб.

Параметрическая и структурная адаптация систем распознавания текстовых меток на видеоизображениях  Параметрическая и структурная адаптация систем распознавания текстовых меток на видеоизображениях 

СОДЕРЖАНИЕ
СПИСОК СОКРАЩЕНИИ
ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К РАЗРАБОТКЕ И АДАПТАЦИИ СИСТЕМ РАСПОЗНАВАНИЯ ТЕКСТОВЫХ МЕТОК НА ВИДЕОИЗОБРАЖЕНИЯХ
1.1 Общая характеристика систем распознавания текстовых меток
1.1.1 Назначение и область применения систем распознавания текстовых меток
1.1.2 Особенности алгоритмического обеспечения систем распознавания текстовых меток.
1.1.3 Критерии эффективности систем распознавания текстовых меток
1.2 Основные проблемы разработки и адаптации систем распознавания
текстовых меток
1.2.1 Современное состояние проблем разработки и адаптации систем распознавания текстовых меток.
1.2.2 Проблема параметрической адаптации систем распознавания текстовых меток.
1.2.3 Проблема моделирования систем распознавания текстовых меток.
1.2.4 Проблема недостаточной эффективности современных систем распознавания текстовых меток
1.2.5 Постановка задачи повышения эффективности функционирования систем распознавания текстовых меток.
Выводы по первой главе.
ГЛАВА 2. МОДЕЛЬ СИСТЕМЫ РАСПОЗНАВАНИЯ ТЕКСТОВЫХ МЕТОК
2.1 Задача моделирования систем распознавания текстовых меток
2.2 Класс иерархических эвристических алгоритмов
2.3 Вероятностные критерии1 эффективности систем распознавания текстовых меток.
2.4 Математическая модель системы распознавания текстовых меток
2.5 Расчет среднего времени анализа видеоизображения
Выводы по второй главе
ГЛАВА 3. МЕТОДЫ АДАПТАЦИИ СИСТЕМ РАСПОЗНАВАНИЯ ТЕКСТОВЫХ МЕТОК К ЗАДАННЫМ УСЛОВИЯМ ЭКСПЛУАТАЦИИ.
3.1 Параметрическая адаптация алгоритмов системы распознавания
текстовых меток.
3.1.1 Задача параметрической адаптации системы распознавания
текстовых меток к заданным условиям эксплуатации
3.1.2 Общий принцип параметрической адаптации систем распознавания текстовых меток.
3.1.3 Вероятностные и прецедентные критерии эффективности алгоритмов систем распознавания текстовых меток.
3.1.4 Метод параметрической адаптации системы распознавания
текстовых меток.
3.1.5 Кластеризация выборки входных данных системы распознавания текстовых меток
3.1.6 Выбор способа декомпозиции системы распознавания текстовых меток.
3.1.7 Особенности настройки композиции алгоритмов сегментации и распознавания
3.2 Параметрическая адаптация подсистемы принятия решений системы распознавания текстовых меток.
3.2.1 Задача параметрической адаптации подсистемы принятия
решений системы распознавания.
3.2.2 Подсистема принятия промежуточных решений в процессе распознавания текстовых меток.
3.2.3 Особенности совместной параметрической адаптации алгоритмовкомпонентов и подсистемы принятия решений.
3.2.4 Метод параметрической адаптации подсистемы принятия решений системы распознавания текстовых меток
3.2.5 Функциональная зависимость времени анализа видеоизображения от параметров подсистемы принятия решений
3.3 Структурная адаптация системы распознавания текстовых меток.
Выводы по третьей главе.
ГЛАВА 4. РАЗРАБОТКА И АДАПТАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ИДЕНТИФИКАЦИОННЫХ НОМЕРОВ ОБЪЕКТОВ ПОДВИЖНОГО СОСТАВА ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА
4.1 Разработка алгоритмов системы распознавания идентификационных номеров объектов подвижного состава железнодорожного транспорта
4.1.1 Предназначение оптоэлектронных систем идентификации объектов подвижного состава железнодорожного транспорта
4.1.2 Алгоритм локализации идентификационных номеров.
4.1.3 Алгоритм сегментации локализованных идентификационных номеров
4.1.4 Алгоритм распознавания символов идентификационных номеров .
4.1.5 Алгоритм формирования решений
4.2 Параметрическая адаптация системы распознавания идентификационных номеров объектов подвижного состава железнодорожного транспорта
4.2.1 Задача параметрической адаптации системы распознавания идентификационных номеров объектов подвижного состава железнодорожного транспорта
4.2.3 Описание процесса параметрической адаптации системы распознавания идентификационных номеров.
4.3 Структурная адаптация системы распознавания идентификационных номеров объектов подвижного состава железнодорожного транспорта
4.3.1 Реализация алгоритма классификации зон
4.3.2 Практические исследования эффективности применения алгоритма классификации зон.
4.4 Общая последовательность действий при разработке и адаптации
систем распознавания текстовых меток.
Выводы по четвертой главе
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Часто алгоритмы СРТМ обладают большим количеством настраиваемых параметров, причем зависимость значений критериев эффективности СРТМ от значений настраиваемых параметров носит сложный алгоритмический характер, что исключает применение аналитических методов вычисления оптимальных параметров. При этом оценка значений критериев эффективности СРТМ требует существенных вычислительных затрат и, соответственно, времени, это осложняет применение известных универсальных методов оптимизации. По указанным причинам на практике настройка параметров осуществляется вручную, что требует от исполнителя высокой квалификации и не гарантирует нахождение оптимальных параметров. По результатам анализа проблем, связанных с разработкой и внедрением СРТМ, определена цель диссертационной работы, направленная на повышение эффективности функционирования систем распознавания текстовых меток на видеоизображениях путем совершенствования процессов разработки и адаптации таких систем с учетом условий эксплуатации. Вторая глава посвящена разработке математической модели СРТМ. Для решения этой задачи выделен класс иерархических эвристических алгоритмов Iе, которому соответствует большинство современных описанных в литературе алгоритмов распознавания текстовых меток. В общем виде алгоритм А е Iе представлен в виде композиции составляющих его алгоритмовкомпонентов. Предложено проектировать программный модуль распознавания в виде алгоритма класса Ас. Определены критерии эффективности алгоритма А и составляющих его алгоритмовкомпонентов. А и значениями критериев эффективности алгоритмовкомпонентов, образующих А. Третья глава посвящена методам параметрической адаптации СРТМ к заданным условиям эксплуатации. Предложен метод расчета кваз и оптимальных значений параметров алгоритмов СРТМ оптимальных при условии ограниченного множества допустимых значений каждого из параметров и в рамках ограниченной экзаменационной последовательности видеоизображений. Метод позволяет посредством декомпозиции свести задачу параметрической адаптации СРТМ к нескольким подзадачам меньшей размерности, которые, как правило, могут быть решены за приемлемое время. Предложена методика оценки затрат времени на подготовку экзаменационных данных и на вычисление оптимальных параметров алгоритмов СРТМ, на основе которых производится целенаправленный выбор способа декомпозиции А е Лс для последующей параметрической адаптации предложенным методом. ЛеЛс. Часто для повышения эффективности СРТМ применяется так называемая мягкая схема принятия решений, которая заключается вформировании алгоритмамикомпонентами списков вариантов решений. Это позволяет снизить вероятность потери истинного решения на промежуточных этапах анализа видеоизображения. Предложен алгоритм усечения списков и метод расчета оптимальных значений его параметров. Метод позволяет найти вероятностные критерии эффективности каждой конфигурации алгоритма, для оценки затрат времени па анализ видеоизображения предложен способ оценки данных затрат с учетом параметров алгоритма усечения списков решений. Способ основан на статистическом расчете среднего количества вызовов каждого алгоритмакомпонента на одно видеоизображение при заданных параметрах алгоритма усечения списков решений и статистическом расчете среднего времени анализа единицы входных данных соответствующих алгоритмовкомпонентов. В четвертой главе приведено описание разработанных алгоритмов системы распознавания идентификационных номеров объектов подвижного состава железнодорожного транспорта алгоритма локализации образа текстовой метки на видеоизображении, алгоритма сегментации образа текстовой метки, алгоритма распознавания образов отдельных символов текстовой метки, алгоритма формирования решений и алгоритма принятия итогового решения. По итогам практической части работы сформулированы общие рекомендации по разработке произвольных СРТМ и параметрической адаптации таких систем к заданным условиям эксплуатации с применением предложенных в работе методов и моделей. Функциональная зависимость вероятности идентификации объектов контроля от времени анализа видеоизображения. Исследование зависимости вероятности правильного и неправильного распознавания текстовой метки от параметров алгоритма усечения списков вариантов решений.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.239, запросов: 244